Fugu-MT 論文翻訳(概要): Semi-Supervised Hierarchical Drug Embedding in Hyperbolic Space

論文の概要: Semi-Supervised Hierarchical Drug Embedding in Hyperbolic Space

arxiv url: http://arxiv.org/abs/2006.00986v1
Date: Mon, 1 Jun 2020 14:46:31 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 06:40:44.650468
Title: Semi-Supervised Hierarchical Drug Embedding in Hyperbolic Space
Title（参考訳）: 双曲空間における半監督的階層的薬物埋め込み
Authors: Ke Yu, Shyam Visweswaran, Kayhan Batmanghelich
Abstract要約: 薬物階層は、木のような構造における薬物関係に関する人間の知識を符号化する貴重な情報源である。そこで我々は,2つの情報源を組み込んだ半教師付き薬物注入法を開発した。本研究は,既存の薬物の新規使用や副作用の発見に有効であることを示す。
参考スコア（独自算出の注目度）: 19.73556079390888
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning accurate drug representation is essential for tasks such as computational drug repositioning and prediction of drug side-effects. A drug hierarchy is a valuable source that encodes human knowledge of drug relations in a tree-like structure where drugs that act on the same organs, treat the same disease, or bind to the same biological target are grouped together. However, its utility in learning drug representations has not yet been explored, and currently described drug representations cannot place novel molecules in a drug hierarchy. Here, we develop a semi-supervised drug embedding that incorporates two sources of information: (1) underlying chemical grammar that is inferred from molecular structures of drugs and drug-like molecules (unsupervised), and (2) hierarchical relations that are encoded in an expert-crafted hierarchy of approved drugs (supervised). We use the Variational Auto-Encoder (VAE) framework to encode the chemical structures of molecules and use the knowledge-based drug-drug similarity to induce the clustering of drugs in hyperbolic space. The hyperbolic space is amenable for encoding hierarchical concepts. Both quantitative and qualitative results support that the learned drug embedding can accurately reproduce the chemical structure and induce the hierarchical relations among drugs. Furthermore, our approach can infer the pharmacological properties of novel molecules by retrieving similar drugs from the embedding space. We demonstrate that the learned drug embedding can be used to find new uses for existing drugs and to discover side-effects. We show that it significantly outperforms baselines in both tasks.
Abstract（参考訳）: 正確な薬物表現の学習は、薬物の再配置や薬物副作用の予測などのタスクに不可欠である。薬物階層は、同じ臓器に作用し、同じ疾患を治療し、同じ生物学的標的に結合する薬物をまとめる木のような構造において、薬物関係に関する人間の知識をコードする貴重な情報源である。しかし、薬物表現の学習におけるその有用性はまだ研究されておらず、現在説明されている薬物表現は、新しい分子を薬物階層に配置することができない。そこで我々は,(1) 薬物および薬物様分子の分子構造から推定される基礎的な化学文法(unsupervised) と(2) 承認薬物の専門家による階層構造にコード化される階層的関係(supervised) という,2つの情報源を組み込んだ半監督薬の埋め込みを開発する。我々は,多変量オートエンコーダ(vae)フレームワークを用いて分子の化学構造をコードし,知識に基づく薬物薬物類似性を用いて双曲空間における薬物のクラスタリングを誘導する。双曲空間は階層的な概念を符号化することができる。量的および質的結果は、学習された薬物の埋め込みが化学構造を正確に再現し、薬物間の階層的関係を誘導できることを支持している。さらに, 類似物質を埋め込み空間から取り出すことにより, 新規分子の薬理学的性質を推定する。学習した薬物の埋め込みは、既存の薬物の新しい用途を見つけ、副作用を発見できることを示した。両タスクのベースラインを著しく上回ることを示す。

関連論文リスト

DrugCLIP: Contrastive Drug-Disease Interaction For Drug Repurposing [4.969453745531116]
DrugCLIPは、ネガティブなラベルなしで薬物と疾患の相互作用を学ぶための対照的な学習方法である。実地臨床試験記録に基づく薬物再服用データセットをキュレートした。
論文参考訳（メタデータ） (2024-07-02T13:41:59Z)
When SMILES have Language: Drug Classification using Text Classification Methods on Drug SMILES Strings [5.648318448953635]
薬物のような複雑な化学構造は、通常SMILES文字列によって分子と結合の配列として定義される。薬物のSMILESを従来の文章として扱い、薬物分類のためのテキスト分類に関わった場合はどうでしょう? この研究は、各原子と結合を文成分と見なすという概念を探求し、薬物の種類を分類するための基本的なNLP法を用いている。
論文参考訳（メタデータ） (2024-03-03T11:09:32Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
論文参考訳（メタデータ） (2024-02-14T21:33:13Z)
A clustering and graph deep learning-based framework for COVID-19 drug repurposing [0.3359875577705538]
本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
論文参考訳（メタデータ） (2023-06-24T15:00:47Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文参考訳（メタデータ） (2022-08-30T09:32:39Z)
Hyperbolic Molecular Representation Learning for Drug Repositioning [19.73556079390888]
薬物階層は、木のような構造の薬物間の関係に関する知識を符号化する貴重な情報源である。そこで我々は,2つの情報源を組み込んだ半教師付き薬物注入法を開発した。学習した薬物の埋め込みは薬物間の階層的関係を誘導できることを示す。
論文参考訳（メタデータ） (2022-07-06T20:20:29Z)
MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。開発者は、インターフェイスに薬物分子を描画することができる。バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文参考訳（メタデータ） (2020-10-05T21:25:25Z)
Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出本稿では,DDI検出のための2段階関節モデルを提案する。シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文参考訳（メタデータ） (2020-08-28T15:30:08Z)
Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文参考訳（メタデータ） (2020-04-26T21:40:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。